面向多模態(tài)網(wǎng)絡(luò)業(yè)務(wù)切片的虛擬網(wǎng)絡(luò)功能資源容量智能預(yù)測(cè)方法

蘭巨龍，朱棣，李丹

（信息工程大學(xué)信息技術(shù)研究所，河南 鄭州 450001）

0 引言

隨著云計(jì)算、虛擬化等技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)靈活性及資源能力都得到了極大提升，網(wǎng)絡(luò)從傳統(tǒng)的剛性架構(gòu)向多模態(tài)融合體制持續(xù)演進(jìn)[1]。多模態(tài)網(wǎng)絡(luò)（PINet,polymorphic network）[2]預(yù)期形成多模態(tài)的網(wǎng)元形態(tài)、多模態(tài)的管理控制、多模態(tài)的尋址路由和多模態(tài)的傳輸協(xié)議等，以支持網(wǎng)絡(luò)的個(gè)性化、多元化、智慧化、安全化發(fā)展需求。現(xiàn)階段PINet 借助網(wǎng)絡(luò)功能虛擬化（NFV,network function virtualization）和人工智能等技術(shù)的蓬勃發(fā)展和廣泛應(yīng)用，使網(wǎng)絡(luò)管理控制模式盡可能靈活適配多樣化的用網(wǎng)場(chǎng)景。基于NFV 網(wǎng)絡(luò)架構(gòu)，一組有序虛擬網(wǎng)絡(luò)功能（VNF,virtual network function）及其物理資源組成的端到端邏輯網(wǎng)絡(luò)被稱為網(wǎng)絡(luò)切片（NS,network slicing）[3]，該技術(shù)進(jìn)一步靈活化了網(wǎng)絡(luò)服務(wù)的管理。VNF 作為網(wǎng)絡(luò)切片的核心要件，其性能發(fā)揮直接影響著網(wǎng)絡(luò)服務(wù)水平的保證與提升。然而，如何根據(jù)業(yè)務(wù)用戶實(shí)時(shí)的網(wǎng)絡(luò)資源需求動(dòng)態(tài)調(diào)整VNF 占用的物理資源規(guī)模，彈性伸縮VNF 的處理能力，實(shí)現(xiàn)網(wǎng)絡(luò)資源隨需匹配業(yè)務(wù)需求的VNF容量調(diào)整，對(duì)于網(wǎng)絡(luò)業(yè)務(wù)的精細(xì)化響應(yīng)是一個(gè)巨大的挑戰(zhàn)。

VNF 容量調(diào)整[4]有水平放縮和垂直放縮2 種機(jī)制。VNF 資源需求變化時(shí)，水平放縮指分配給每一個(gè)VNF 實(shí)例的資源容量保持不變，通過VNF 實(shí)例數(shù)量的變化調(diào)節(jié)整體資源分配情況，提高VNF 的處理能力。垂直放縮指保持運(yùn)行中的VNF 實(shí)例的數(shù)量不變，通過調(diào)整分配給每一個(gè)VNF 實(shí)例的資源量來調(diào)節(jié)整體資源分配情況，提高VNF 的處理能力。然而，現(xiàn)有的虛擬化資源存儲(chǔ)技術(shù)均是狀態(tài)敏感的，不支持運(yùn)行中網(wǎng)元的資源容量調(diào)整。因此VNF 容量的水平放縮成為目前的研究重點(diǎn)。

根據(jù)業(yè)務(wù)數(shù)據(jù)流是否可預(yù)測(cè)，主動(dòng)的VNF 容量調(diào)整又可劃分為數(shù)據(jù)流可預(yù)測(cè)的離線容量調(diào)整和數(shù)據(jù)流不可預(yù)測(cè)的在線容量調(diào)整。通過準(zhǔn)確的數(shù)據(jù)流預(yù)測(cè)，在當(dāng)前時(shí)間為未來的業(yè)務(wù)需求進(jìn)行VNF實(shí)例的預(yù)部署，可以實(shí)現(xiàn)對(duì)VNF 容量調(diào)整無感的連續(xù)性網(wǎng)絡(luò)業(yè)務(wù)供給。數(shù)據(jù)流可預(yù)測(cè)的VNF 資源容量水平調(diào)整問題可以劃分為2 個(gè)階段：1) VNF 資源需求視圖生成階段，根據(jù)流經(jīng)切片上VNF 節(jié)點(diǎn)的數(shù)據(jù)流預(yù)測(cè)將來一段時(shí)間的VNF 實(shí)例數(shù)量需求；2) VNF 需求視圖映射階段，進(jìn)行VNF 實(shí)例化，使上一階段生成的資源需求視圖與物理網(wǎng)絡(luò)視圖相匹配。

本文研究VNF 資源容量水平調(diào)整的第一階段，并將該問題建模為時(shí)間序列預(yù)測(cè)問題，旨在通過預(yù)測(cè)即將到來的數(shù)據(jù)流，重新配置VNF 實(shí)例的數(shù)量以高效利用有限的網(wǎng)絡(luò)資源。本文提出了一種基于圖卷積網(wǎng)絡(luò)（GCN,graph convolutional network）和門控循環(huán)單元（GRU,gated recurrent unit）的VNF容量需求預(yù)測(cè)（VNFPre,prediction for VNF capacity demand）方法，把節(jié)點(diǎn)的歷史數(shù)據(jù)流負(fù)載序列用于未來節(jié)點(diǎn)VNF 資源容量的預(yù)測(cè)。該方法具有2 個(gè)特征提取模塊和一個(gè)特征重組模塊，首先通過GCN模塊在節(jié)點(diǎn)分類任務(wù)上進(jìn)行預(yù)訓(xùn)練，提取待測(cè)節(jié)點(diǎn)周圍網(wǎng)絡(luò)的拓?fù)涮卣鳎筝斎隚RU 模塊提取承載VNF 實(shí)例的節(jié)點(diǎn)上歷史資源負(fù)載的時(shí)序特征，接著基于數(shù)據(jù)流負(fù)載與VNF 資源容量的映射關(guān)系，利用前饋神經(jīng)網(wǎng)絡(luò)（FNN,feedforward neural network）模塊輸出對(duì)該節(jié)點(diǎn)未來的VNF 資源容量的預(yù)測(cè)值，以在充分獲取節(jié)點(diǎn)數(shù)據(jù)流序列的時(shí)空特征后，更加精準(zhǔn)地預(yù)先調(diào)整VNF 實(shí)例的數(shù)量，進(jìn)而不需要任何人工干預(yù)就能實(shí)現(xiàn)資源靈活調(diào)整。該方法旨在實(shí)現(xiàn)主動(dòng)高效的VNF 水平放縮，達(dá)到網(wǎng)絡(luò)與多元業(yè)務(wù)的高度適配。與其他方法相比，本文的主要貢獻(xiàn)如下。

1) 本文提出了一種數(shù)據(jù)驅(qū)動(dòng)的VNF 容量需求預(yù)測(cè)方案，結(jié)合GCN 與GRU 充分提取數(shù)據(jù)流的時(shí)空特征，提升了數(shù)據(jù)流預(yù)測(cè)精度。

2) 本文將數(shù)據(jù)流預(yù)測(cè)結(jié)果送入FNN 進(jìn)行進(jìn)一步計(jì)算，并充分利用了數(shù)據(jù)流與VNF 資源容量的映射關(guān)系，獲得了準(zhǔn)確度很高的VNF 資源容量需求預(yù)測(cè)視圖。本文所提方法與文獻(xiàn)[5]提出的VNF容量預(yù)測(cè)方法相比，容量需求預(yù)測(cè)精度提升了6.54 %。

3) 本文將數(shù)據(jù)流序列進(jìn)行加權(quán)處理后輸入預(yù)測(cè)模型，有效避免了網(wǎng)絡(luò)中的突發(fā)流對(duì)數(shù)據(jù)流預(yù)測(cè)結(jié)果的影響，比不處理輸入數(shù)據(jù)的方案降低了3.54%的預(yù)測(cè)誤差。

1 相關(guān)工作

在實(shí)際的網(wǎng)絡(luò)服務(wù)提供過程中，對(duì)于服務(wù)中斷的容忍程度并不高，服務(wù)中斷會(huì)造成用戶體驗(yàn)的大幅下降以及某些連續(xù)性要求高的服務(wù)無法上線。目前，VNF 的實(shí)例化時(shí)間最短為“分鐘級(jí)”，采取被動(dòng)的反應(yīng)式策略進(jìn)行VNF 容量放縮操作最少也需要數(shù)十秒量級(jí)的完成時(shí)間，而過長的功能部署調(diào)整時(shí)間會(huì)損害網(wǎng)絡(luò)業(yè)務(wù)的服務(wù)質(zhì)量（QoS,quality of service）水平。為了避免服務(wù)中斷的情況，可以將VNF 的資源容量調(diào)整建模為時(shí)間序列的預(yù)測(cè)問題，從而進(jìn)行主動(dòng)的、預(yù)測(cè)性的VNF 水平放縮。基于流量預(yù)測(cè)的VNF容量調(diào)整方法，通過預(yù)測(cè)輸入VNF集合的數(shù)據(jù)流波動(dòng)趨勢(shì)，預(yù)判VNF 集合中VNF 實(shí)例數(shù)量的變化，提前部署或移除相應(yīng)的VNF 實(shí)例，實(shí)現(xiàn)資源容量按需分配。

對(duì)于網(wǎng)絡(luò)中的時(shí)間序列預(yù)測(cè)問題，機(jī)器學(xué)習(xí)模型已經(jīng)成為經(jīng)典統(tǒng)計(jì)模型的主要競爭方法。文獻(xiàn)[6]設(shè)計(jì)了一種基于深度學(xué)習(xí)的虛擬機(jī)工作負(fù)載預(yù)測(cè)方法，但該方法不能解決跨虛擬機(jī)場(chǎng)景的預(yù)測(cè)問題。文獻(xiàn)[7]基于業(yè)務(wù)請(qǐng)求動(dòng)態(tài)變化的5G 網(wǎng)絡(luò)切片應(yīng)用場(chǎng)景，設(shè)計(jì)了一種基于長短期記憶（LSTM,long short-term memory）網(wǎng)絡(luò)的流量感知模型，該模型考慮到了動(dòng)態(tài)時(shí)變的業(yè)務(wù)請(qǐng)求可能造成的虛擬機(jī)緩沖區(qū)隊(duì)列積壓，但僅將計(jì)算資源作為虛擬化的載體，因此預(yù)測(cè)準(zhǔn)確度并不理想。文獻(xiàn)[8]設(shè)計(jì)了一種數(shù)據(jù)中心場(chǎng)景下基于深度學(xué)習(xí)的數(shù)據(jù)流預(yù)測(cè)方法，然而該方法難以應(yīng)用于其他用網(wǎng)場(chǎng)景。文獻(xiàn)[9]設(shè)計(jì)了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN,recurrent neural network）流量預(yù)測(cè)方法估計(jì)5G 核心網(wǎng)中上行鏈路的未來流量，然而該方法并非同類最優(yōu)，精度有限。文獻(xiàn)[10]針對(duì)云數(shù)據(jù)中心中的多級(jí)虛擬網(wǎng)絡(luò)嵌入，首先使用歷史監(jiān)督數(shù)據(jù)以及二進(jìn)制監(jiān)督分類器確定實(shí)時(shí)傳入虛擬網(wǎng)絡(luò)的可接受性，然后設(shè)計(jì)了一個(gè)基于深度強(qiáng)化學(xué)習(xí)（DRL,deep reinforcement learning）的預(yù)測(cè)模型，使用虛擬機(jī)類型的信息提高云資源利用率，最后通過徑向基回歸模型用于預(yù)測(cè)衍生特征。但該算法復(fù)雜度較高，場(chǎng)景限制大。

對(duì)于VNF 容量調(diào)整問題，機(jī)器學(xué)習(xí)模型同樣被研究者廣泛應(yīng)用。絕大多數(shù)的研究者都采用RNN中的LSTM 和GRU 來解決VNF 容量調(diào)整本質(zhì)涉及的時(shí)間序列預(yù)測(cè)問題。文獻(xiàn)[11]將VNF 容量調(diào)整問題建模為通過準(zhǔn)確的CPU 資源預(yù)測(cè)實(shí)現(xiàn)的低成本VNF 實(shí)例配置，提出了一種基于LSTM 的深度學(xué)習(xí)資源預(yù)測(cè)模型，并通過一種分布式穩(wěn)定匹配的策略生成有效的VNF 實(shí)例擴(kuò)展決策，降低VNF 的部署成本。文獻(xiàn)[12]分別設(shè)計(jì)了基于LSTM 和GRU 的數(shù)據(jù)驅(qū)動(dòng)方法預(yù)測(cè)虛擬機(jī)中的流量，并將預(yù)測(cè)結(jié)果作為一個(gè)二進(jìn)制優(yōu)化模型的輸入，該模型的輸出為未來所需的VNF 實(shí)例的預(yù)測(cè)數(shù)量。該方法雖然提升了流量預(yù)測(cè)精度，但不能解決多虛擬機(jī)場(chǎng)景的預(yù)測(cè)問題。文獻(xiàn)[13]提出了一種基于GRU 的流量預(yù)測(cè)模型，根據(jù)預(yù)測(cè)結(jié)果提前縮放VNF 實(shí)例，并將VNF的縮放結(jié)果輸入名為A3C的DRL算法來訓(xùn)練代理，然后獲得部署新實(shí)例的最佳策略。文獻(xiàn)[14]提出了一種具有主動(dòng)流量預(yù)測(cè)的自適應(yīng)NFV 資源分配方法，設(shè)計(jì)了基于LSTM 的用戶需求預(yù)測(cè)模型。

LSTM 和GRU 作為RNN 的變體，能夠有效解決長期時(shí)間序列的預(yù)測(cè)問題，但其僅對(duì)單一節(jié)點(diǎn)上隨時(shí)間變化的情況進(jìn)行考慮，并未將網(wǎng)絡(luò)中其他節(jié)點(diǎn)對(duì)待測(cè)節(jié)點(diǎn)的影響納入考慮范圍。此外，還有一些VNF 容量調(diào)整的研究考量了網(wǎng)絡(luò)中節(jié)點(diǎn)之間的相互影響。文獻(xiàn)[15]提出了一種基于GCN 的算法預(yù)測(cè)每個(gè)VNF 的資源使用情況，該算法基于拓?fù)湫畔ⅲ褂脠D上相鄰的VNF 實(shí)例來預(yù)測(cè)目標(biāo)VNF 實(shí)例在未來的資源需求。但由于VNF 內(nèi)部結(jié)構(gòu)一般不公開，且同一VNF 的不同實(shí)例可能處理不同的數(shù)據(jù)流負(fù)載，即使處于同一拓?fù)渲幸部赡芫哂型耆煌馁Y源需求，因此無法保證其預(yù)測(cè)準(zhǔn)確性。文獻(xiàn)[16]提出了一種圖神經(jīng)網(wǎng)絡(luò)（GNN,graph neural network）增強(qiáng)的異步DRL 的系統(tǒng)架構(gòu)，通過拓?fù)涓兄A(yù)測(cè)動(dòng)態(tài)NFV 環(huán)境中的VNF 資源需求。該方案使用GNN 對(duì)服務(wù)功能鏈（SFC,service function chain）中節(jié)點(diǎn)之間的拓?fù)湟蕾囮P(guān)系進(jìn)行建模，并使用生成的編碼網(wǎng)絡(luò)作為異步DRL 代理的環(huán)境，幫助形成VNF 資源的預(yù)測(cè)性擴(kuò)展策略。但該方案主要針對(duì)高度聚合的POP 級(jí)別的流量和VNF 需求預(yù)測(cè)，在超大吞吐量的流量場(chǎng)景下，預(yù)測(cè)精度和時(shí)間效率將會(huì)大打折扣。

在一些最新的VNF 容量調(diào)整研究中，主要采用LSTM 和卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）實(shí)現(xiàn)預(yù)測(cè)。文獻(xiàn)[17]提出了一種基于上下文和方便嵌入依賴目標(biāo)的LSTM模型以預(yù)測(cè)VNF 資源需求，并通過SFC 中鄰居VNF 的已用資源數(shù)據(jù)來提高預(yù)測(cè)準(zhǔn)確性。由于該模型利用了其他VNF 的信息，因此不需要為每個(gè)VNF 單獨(dú)進(jìn)行預(yù)測(cè)，通用性更好。然而，該模型僅考慮同一個(gè)VNF僅用于一條SFC 的情況。文獻(xiàn)[5]討論了基于深度神經(jīng)網(wǎng)絡(luò)（DNN,deep neural network）和基于LSTM的VNF 資源需求預(yù)測(cè)機(jī)制，還探討了LSTM 變體（如雙向LSTM）和結(jié)合拓?fù)湫畔⒑蜁r(shí)間序列的CNN-LSTM 機(jī)制在VNF 需求預(yù)測(cè)方面的性能，是目前最新穎、考慮最全面的關(guān)于VNF 需求預(yù)測(cè)的研究。

VNF 需求預(yù)測(cè)問題本質(zhì)上是特定拓?fù)浣Y(jié)構(gòu)約束下的時(shí)間序列預(yù)測(cè)問題，輸入信息的空間特征和時(shí)間特征能夠被準(zhǔn)確提取是影響預(yù)測(cè)結(jié)果的核心要素。綜上所述，上述基于機(jī)器學(xué)習(xí)的VNF 需求預(yù)測(cè)研究工作存在以下幾點(diǎn)缺陷：1) 大部分研究工作僅考慮提取輸入信息的時(shí)間特征，忽略了其空間特征的提取；2) 部分研究工作具有明確的場(chǎng)景限制，通用性有待考察；3) 在同時(shí)考慮輸入信息的時(shí)空特征的研究工作中，雖然能夠采用LSTM、GRU等先進(jìn)的RNN 結(jié)構(gòu)有效提取時(shí)間特征，但往往采用CNN 提取空間特征，不能準(zhǔn)確反映非歐氏結(jié)構(gòu)拓?fù)涞奶攸c(diǎn)。

在一些解決其他網(wǎng)絡(luò)問題的研究工作中，已經(jīng)有一些工作對(duì)提取網(wǎng)絡(luò)拓?fù)涞目臻g特征做出了有益嘗試。文獻(xiàn)[18]設(shè)計(jì)了一種專用于網(wǎng)絡(luò)路由場(chǎng)景的圖感知卷積結(jié)構(gòu)，該結(jié)構(gòu)由一個(gè)圖形內(nèi)核和一個(gè)CNN 結(jié)構(gòu)組成，從網(wǎng)絡(luò)圖中提取拓?fù)湫畔⒉⒏鶕?jù)提取的拓?fù)涮幚磔斎霐?shù)據(jù)，最后對(duì)處理后的數(shù)據(jù)應(yīng)用卷積產(chǎn)生輸出，能夠有效改善CNN 的空間特征提取效率。文獻(xiàn)[19]提出了一種無線信道圖卷積網(wǎng)絡(luò)，用來解決大規(guī)模的無線網(wǎng)絡(luò)資源管理問題，并通過仿真證明該方法對(duì)無線網(wǎng)絡(luò)的功率控制和波束成形問題的資源優(yōu)化效果高于沒有領(lǐng)域知識(shí)的經(jīng)典優(yōu)化算法。

2 系統(tǒng)架構(gòu)與問題建模

2.1 網(wǎng)絡(luò)切片部署架構(gòu)

網(wǎng)絡(luò)切片是一組VNF 集合及其映射到物理網(wǎng)絡(luò)中的物理資源構(gòu)建的端到端、個(gè)性化定制和相互隔離的邏輯網(wǎng)絡(luò)。網(wǎng)絡(luò)切片技術(shù)通過合作建網(wǎng)的模式，為5G 時(shí)代移動(dòng)運(yùn)營商與行業(yè)客戶的雙贏提供了無障礙支撐，突破了4G 移動(dòng)通信網(wǎng)適配多樣化移動(dòng)用戶業(yè)務(wù)的瓶頸，成為移動(dòng)運(yùn)營商邁向萬物互聯(lián)的使能平臺(tái)的關(guān)鍵[20]。

多模態(tài)網(wǎng)絡(luò)中的網(wǎng)絡(luò)切片主要用于用戶業(yè)務(wù)需求與網(wǎng)絡(luò)服務(wù)能力之間的隨需匹配，實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)行、功能編排等的自適應(yīng)承載[2]。如圖1 所示，網(wǎng)絡(luò)切片的基本組件包括切片選擇器、切片編排管理器以及VNF 集合與其對(duì)應(yīng)的物理資源3 個(gè)部分。其中，切片選擇器根據(jù)不同的業(yè)務(wù)和通信場(chǎng)景選擇不同的切片；切片編排管理器收到被選擇的切片需求后負(fù)責(zé)切片資源的分配調(diào)度、性能監(jiān)測(cè)和生命周期的管理，完成VNF 的實(shí)例化和切片的創(chuàng)建；VNF 集合與其對(duì)應(yīng)的物理資源負(fù)責(zé)提供不同的網(wǎng)絡(luò)能力，來滿足各種業(yè)務(wù)的需求。網(wǎng)絡(luò)切片需求方請(qǐng)求的業(yè)務(wù)數(shù)據(jù)流通過切片選擇器進(jìn)入適合的切片，切片編排管理器根據(jù)業(yè)務(wù)需求制定路由策略，引導(dǎo)數(shù)據(jù)流通過切片上的VNF 集合進(jìn)行流水線式的數(shù)據(jù)處理，完成處理后的數(shù)據(jù)流將直接接入目的節(jié)點(diǎn)。

圖1 多模態(tài)業(yè)務(wù)切片架構(gòu)

2.2 VNF 資源容量預(yù)測(cè)問題建模

多模態(tài)網(wǎng)絡(luò)旨在通過網(wǎng)絡(luò)功能要素的全維度開放和可定義，解決業(yè)務(wù)承載的發(fā)展瓶頸和網(wǎng)絡(luò)資源的無謂浪費(fèi)。目前，多模態(tài)網(wǎng)絡(luò)利用網(wǎng)絡(luò)切片技術(shù)，結(jié)合現(xiàn)有的組網(wǎng)情況整合各類業(yè)務(wù)網(wǎng)絡(luò)，但仍難以在各類服務(wù)的各階段為用戶提供無差別的良好體驗(yàn)，需要提前規(guī)劃和調(diào)整VNF 的位置分布、資源容量等要素，才能真正具備全業(yè)務(wù)承載能力。如圖2 所示，在只考慮單一模態(tài)的單個(gè)網(wǎng)絡(luò)切片的場(chǎng)景下，VNF 資源容量預(yù)測(cè)問題的研究內(nèi)容是根據(jù)不同時(shí)刻流經(jīng)切片上各虛擬節(jié)點(diǎn)的數(shù)據(jù)流歷史信息，預(yù)測(cè)未來某一時(shí)刻或某段時(shí)間內(nèi)相應(yīng)虛擬節(jié)點(diǎn)上的VNF 實(shí)例數(shù)量需求，生成VNF 資源容量需求視圖。其中，切片上單一虛擬節(jié)點(diǎn)在某時(shí)刻的數(shù)據(jù)流信息為該虛擬節(jié)點(diǎn)映射在物理網(wǎng)絡(luò)中的物理節(jié)點(diǎn)上流經(jīng)的數(shù)據(jù)流信息。一個(gè)虛擬節(jié)點(diǎn)可能映射一個(gè)或多個(gè)物理節(jié)點(diǎn)，若有多個(gè)物理節(jié)點(diǎn)映射單一虛擬節(jié)點(diǎn)，則這些物理節(jié)點(diǎn)的數(shù)據(jù)流吞吐量之和為對(duì)應(yīng)虛擬節(jié)點(diǎn)的數(shù)據(jù)流信息。

圖2 單模態(tài)單一切片場(chǎng)景下VNF 資源容量預(yù)測(cè)模型

VNF 資源容量預(yù)測(cè)的目標(biāo)是為下一階段VNF實(shí)例的預(yù)部署提供依據(jù)，提前調(diào)整切片虛擬節(jié)點(diǎn)上的VNF 實(shí)例數(shù)量，在保證服務(wù)供給的QoS 水平的同時(shí)提高物理資源利用率。

本文將切片中虛擬網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)量記為n，節(jié)點(diǎn)上的VNF 實(shí)例數(shù)量記為該節(jié)點(diǎn)的特征。其中，時(shí)刻i單個(gè)節(jié)點(diǎn)的VNF 實(shí)例數(shù)量記為。則時(shí)刻i整個(gè)網(wǎng)絡(luò)所有節(jié)點(diǎn)的特征可以用n維向量表示，X i∈Rn。網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)上VNF 實(shí)例數(shù)量歷史序列的長度記為l，l表示單一節(jié)點(diǎn)輸入模型的特征數(shù)量，則整個(gè)網(wǎng)絡(luò)的節(jié)點(diǎn)特征由矩陣Xn×l表示。本文將f(?)記為待學(xué)習(xí)的預(yù)測(cè)模型，T記為需要預(yù)測(cè)的時(shí)間序列的長度，當(dāng)T=1時(shí)，僅預(yù)測(cè)該節(jié)點(diǎn)下一時(shí)刻的VNF 實(shí)例數(shù)量。則VNF 資源容量預(yù)測(cè)問題可表示為

由以上分析可得，VNF 資源容量預(yù)測(cè)的步驟為：1) 將流量數(shù)據(jù)輸入預(yù)測(cè)模型；2) 得到預(yù)測(cè)模型輸出的流量預(yù)測(cè)結(jié)果；3) 將流量預(yù)測(cè)結(jié)果映射為VNF 資源容量需求，即節(jié)點(diǎn)的VNF 實(shí)例數(shù)量需求。

3 方案設(shè)計(jì)

由第2 節(jié)的分析可得，成功的VNF 資源容量預(yù)測(cè)的關(guān)鍵有兩點(diǎn)：1) 獲得準(zhǔn)確的數(shù)據(jù)流預(yù)測(cè)結(jié)果；2) 選擇適合的方法將數(shù)據(jù)流預(yù)測(cè)結(jié)果映射為VNF 資源容量需求。

如圖3 所示，本文提出一種多模態(tài)網(wǎng)絡(luò)場(chǎng)景下面向網(wǎng)絡(luò)切片的 VNF 資源容量智能預(yù)測(cè)方法VNFPre：1) 提出GCN 聯(lián)合GRU 的數(shù)據(jù)流預(yù)測(cè)模型，利用GCN 模型作為空間分布特征提取器，充分獲取嵌入在數(shù)據(jù)流中的拓?fù)湟蕾囆裕⑻卣髦亟M后的數(shù)據(jù)繼續(xù)輸入GRU 模型中，根據(jù)歷史流量數(shù)據(jù)的時(shí)序關(guān)聯(lián)特征預(yù)測(cè)未來時(shí)間的數(shù)據(jù)流；2) 提出一種基于FNN 的數(shù)據(jù)流吞吐量與VNF 實(shí)例數(shù)量的映射方法實(shí)現(xiàn)VNF 資源容量預(yù)測(cè)。

圖3 VNFPre 模型架構(gòu)

網(wǎng)絡(luò)中的數(shù)據(jù)流預(yù)測(cè)看似為一個(gè)單純的時(shí)間序列分析問題，但網(wǎng)絡(luò)中數(shù)據(jù)流的傳輸行為建立在特定的網(wǎng)絡(luò)拓?fù)渲希虼讼噜徆?jié)點(diǎn)的數(shù)據(jù)流吞吐量、傳輸方向等具有一定的相關(guān)性。本文方法的研究目標(biāo)是將單一切片上的l個(gè)歷史數(shù)據(jù)流序列及其依賴的網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)輸入VNFPre 中，在獲得涵蓋時(shí)空特征{ht-l,… ,ht-1,ht}的l個(gè)隱藏狀態(tài)(h)的基礎(chǔ)上進(jìn)一步獲得未來t+T時(shí)刻的VNF 資源容量需求視圖。

3.1 模型輸入設(shè)計(jì)

本文在利用時(shí)序回歸的數(shù)據(jù)流預(yù)測(cè)方法解決VNF 資源容量預(yù)測(cè)問題時(shí)，為提高數(shù)據(jù)流預(yù)測(cè)準(zhǔn)確度，使用數(shù)據(jù)流依賴的網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)和加權(quán)歷史數(shù)據(jù)流共同作為VNFPre 模型的輸入。

1) 網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)

本文將承載數(shù)據(jù)流的物理網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)記為G=(P,E)，其中P={pi|i=1,… ,n}為網(wǎng)絡(luò)節(jié)點(diǎn)的集合，n為節(jié)點(diǎn)數(shù)；E={eij|i,j=1,…,n}為網(wǎng)絡(luò)中節(jié)點(diǎn)pi和pj之間鏈路的集合。VNFPre 模型將上述網(wǎng)絡(luò)G的拓?fù)浣Y(jié)構(gòu)信息用n×n的無向圖鄰接矩陣A表示，該矩陣定義為

如果節(jié)點(diǎn)pi和pj之間存在一條鏈路eij，則aij=1（無向無權(quán)圖），否則為0。

2) 加權(quán)歷史數(shù)據(jù)流

本文將當(dāng)前時(shí)刻記為t時(shí)刻，t時(shí)刻經(jīng)過網(wǎng)絡(luò)中單一節(jié)點(diǎn)的數(shù)據(jù)流記為Lt，輸入VNFPre 的歷史序列的長度記為l，采用[t-l,t]時(shí)段和[t-2l-1,t-l-1]時(shí)段內(nèi)的加權(quán)歷史數(shù)據(jù)流作為VNFPre 模型的輸入數(shù)據(jù)。則VNFPre 的數(shù)據(jù)流輸入序 列 [Ft-l,Ft-l+1,…,Ft]可 表 示 為a1[Lt-l,Lt-l+1,…,Lt]+a2[Lt-2l-1,Lt-2l,… ,Lt-l-1]，其中a1和a2為非負(fù)權(quán)重值，且a1+a2=1。

基于上述定義，可以將式(1)和式(2)中的VNF需求預(yù)測(cè)模型重新定義為基于網(wǎng)絡(luò)拓?fù)銰和網(wǎng)絡(luò)節(jié)點(diǎn)的特征矩陣X學(xué)習(xí)映射函數(shù)f的過程。從當(dāng)前時(shí)刻起，到未來t T+時(shí)刻的VNF 實(shí)例數(shù)量計(jì)算式為

3.2 模型輸出設(shè)計(jì)

VNFPre 的VNF 資源需求預(yù)測(cè)分為數(shù)據(jù)流預(yù)測(cè)階段和數(shù)據(jù)流預(yù)測(cè)結(jié)果映射為VNF 資源容量需求階段。經(jīng)過數(shù)據(jù)流預(yù)測(cè)階段，模型獲得涵蓋時(shí)空特征{ht-l,… ,ht-1,ht}的l個(gè)隱藏狀態(tài)(h) 。本文設(shè)計(jì)利用FNN 將隱藏狀態(tài)降維，使用基于歸一化指數(shù)函數(shù)softmax 的回歸模型進(jìn)行歸一化分類，輸出流量預(yù)測(cè)序列[Yt+1,…,Yt+T-1,Yt+T]。本文將數(shù)據(jù)集中的單個(gè)節(jié)點(diǎn)數(shù)據(jù)流負(fù)載的最大上升值記為uGbit/s，假設(shè)在每個(gè)VNF 實(shí)例集合的部署中需要處理的最大數(shù)據(jù)流負(fù)載相當(dāng)于uGbit/s，并且每個(gè)VNF 實(shí)例可以處理最大1 Gbit/s 的數(shù)據(jù)流而不會(huì)降低QoS，則有

左側(cè)河岸地勢(shì)較高，攔河閘啟閉機(jī)房建在攔河閘左邊擋水土壩外側(cè)，采用磚混結(jié)構(gòu)，啟閉設(shè)備室地面高程1 008.2 m。

其中，ceiling 表示向上取整。

整個(gè)VNF 資源容量預(yù)測(cè)方法的訓(xùn)練過程如算法1 所示。

算法1VNFPre 方法訓(xùn)練過程

3.3 實(shí)現(xiàn)細(xì)節(jié)

1) GCN 空間特征提取

GCN 把圖結(jié)構(gòu)融入權(quán)重進(jìn)行訓(xùn)練，能夠表現(xiàn)非歐幾里得結(jié)構(gòu)，擅長節(jié)點(diǎn)分類、圖分類或鏈路預(yù)測(cè)任務(wù)。本文研究的VNF 資源容量預(yù)測(cè)問題的空間特征提取就是一種節(jié)點(diǎn)分類任務(wù)。

VNFPre 結(jié)構(gòu)使用GCN 層對(duì)GRU 的輸入數(shù)據(jù)進(jìn)行特征提取，以支持序列預(yù)測(cè)。首先將承載數(shù)據(jù)流負(fù)載的網(wǎng)絡(luò)拓?fù)鋱D建模為一個(gè)無向圖，使用頻譜圖卷積捕捉拓?fù)涞目臻g特征。文獻(xiàn)[22]的實(shí)驗(yàn)研究發(fā)現(xiàn)，2～3 層的GCN 就能取得良好的特征提取效果。如圖4 所示，VNFPre 構(gòu)造了一個(gè)兩層的GCN，第一層激活函數(shù)采用修正線性單元（ReLU,rectified linear unit），第二層激活函數(shù)采用softmax。

圖4 GCN 提取序列空間特征的實(shí)現(xiàn)細(xì)節(jié)

該損失函數(shù)對(duì)應(yīng)節(jié)點(diǎn)分類的模型，其中，Ylf為標(biāo)簽矩陣，為模型的輸出值。至此，VNFPre 通過GCN 模型確定了待測(cè)節(jié)點(diǎn)周圍節(jié)點(diǎn)之間的拓?fù)洹?/p>

2) GRU 時(shí)間特征提取

GRU 模型是VNFPre 實(shí)現(xiàn)序列預(yù)測(cè)的關(guān)鍵部分。GRU 是一種特殊的RNN 結(jié)構(gòu)，只有重置門和更新門2 個(gè)門，比一般RNN 和LSTM 結(jié)構(gòu)更簡單，具有更少的參數(shù)和更短的訓(xùn)練時(shí)間。該結(jié)構(gòu)繼承了一般RNN 隱藏層將輸入信息回傳自身以保留序列歷史信息的技巧，并且通過門控機(jī)制克服了一般RNN 可能導(dǎo)致的梯度消失或爆炸的問題，能夠?qū)W習(xí)長序列的數(shù)據(jù)依存關(guān)系。

如圖5 所示，在VNFPre 模型中，GRU 時(shí)間特征的計(jì)算過程為

圖5 GRU 提取序列時(shí)間特征的實(shí)現(xiàn)細(xì)節(jié)

其中，zt是更新門，定義保存到當(dāng)前時(shí)間步長的歷史信息的量，即決定有多少已知信息需要被傳遞到未來；f(A,Ft)是圖卷積過程，為第t個(gè)時(shí)間步的輸入向量，它與權(quán)重矩陣W(z)相乘進(jìn)行非線性處理；ht-1保存的是前一個(gè)時(shí)間步t-1的信息，它也需要與權(quán)重矩陣U(z)相乘進(jìn)行非線性處理。

其中，rt是重置門，決定新的輸入與歷史信息的結(jié)合情況，即有多少歷史信息需要被遺忘。如果某時(shí)刻的數(shù)據(jù)對(duì)應(yīng)的門控值為0，該數(shù)據(jù)將被完全遺忘；如果某時(shí)刻的數(shù)據(jù)對(duì)應(yīng)的門控值為1，該數(shù)據(jù)將被完全代入下一時(shí)刻的計(jì)算。

其中，c t是當(dāng)前時(shí)刻的記憶內(nèi)容；h t是當(dāng)前時(shí)間步長的最終記憶，即當(dāng)前時(shí)刻的輸出內(nèi)容；W(c)和U(c)是用來進(jìn)行非線性處理的權(quán)重矩陣；⊙是矩陣乘積。

GRU 模型利用前一時(shí)刻的隱藏狀態(tài)和當(dāng)前時(shí)刻的流量數(shù)據(jù)作為輸入來確定當(dāng)前時(shí)刻的節(jié)點(diǎn)特征。通過門控機(jī)制，在捕獲當(dāng)前節(jié)點(diǎn)特征時(shí)，也保留過去的節(jié)點(diǎn)特征的變化趨勢(shì)。因此，VNFPre 通過GRU 模型有效地提取了待測(cè)數(shù)據(jù)的時(shí)間特征。

VNFPre 模型測(cè)數(shù)據(jù)流預(yù)測(cè)部分的損失函數(shù)定義為

其中，Vt和分別是時(shí)刻t的實(shí)際數(shù)據(jù)流序列和預(yù)測(cè)數(shù)據(jù)流序列，Lreg是歸一化項(xiàng)，λ是一個(gè)超參數(shù)。

4 性能分析

4.1 實(shí)驗(yàn)方案

為了測(cè)試 VNFPre 模型的性能，本文使用Tensorflow 1.4、Python 3.6 實(shí)施了該預(yù)測(cè)模型。整個(gè)測(cè)試過程運(yùn)行在一個(gè)配備 Intel Core i7-9700CPU、32 GB DDR4 內(nèi)存和一個(gè) GTX 1080Ti 顯卡的電腦上。

1) 數(shù)據(jù)集策略

本文中用來評(píng)估模型的數(shù)據(jù)集為來自TOTEM項(xiàng)目[23]的真實(shí)數(shù)據(jù)，該項(xiàng)目提供了XML 格式的GéANT 網(wǎng)絡(luò)拓?fù)浜推溆騼?nèi)數(shù)據(jù)流矩陣。鑒于該數(shù)據(jù)集的每個(gè)節(jié)點(diǎn)僅包含數(shù)據(jù)流負(fù)載，可視為單變量數(shù)據(jù)集，且現(xiàn)實(shí)中部署的NFV 網(wǎng)絡(luò)數(shù)據(jù)流數(shù)據(jù)難以取得，因此本文用該網(wǎng)絡(luò)數(shù)據(jù)流數(shù)據(jù)集作為VNFPre 模型和對(duì)比模型的輸入數(shù)據(jù)。

首先，本文將數(shù)據(jù)集劃分為訓(xùn)練和測(cè)試數(shù)據(jù)集，將80%的數(shù)據(jù)用作訓(xùn)練集，其余20%用作測(cè)試集。下一步，進(jìn)行數(shù)據(jù)平穩(wěn)化處理并轉(zhuǎn)換為監(jiān)督學(xué)習(xí)數(shù)據(jù)集，以訓(xùn)練集為例來取樣本。本文定義一個(gè)長度固定為1S+的滑動(dòng)窗口，預(yù)測(cè) 1t+時(shí)刻的VNF 實(shí)例數(shù)量。長度1S+為一個(gè)訓(xùn)練樣本的大小，包含長度為S的歷史數(shù)據(jù)輸入和長度為1 的 1t+時(shí)刻的輸出。最后把這個(gè)窗口每次移動(dòng)一個(gè)時(shí)間單位，得到所有的訓(xùn)練樣本，再用同樣的方法得到測(cè)試樣本。

2) 實(shí)驗(yàn)設(shè)置

經(jīng)過實(shí)驗(yàn)，VNFPre 模型的數(shù)據(jù)流預(yù)測(cè)部分網(wǎng)絡(luò)優(yōu)化器定為ADAM。訓(xùn)練超參數(shù)選取如下：將一次訓(xùn)練所選取的樣本數(shù)設(shè)置為32，學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練回合數(shù)設(shè)置為2 000，神經(jīng)網(wǎng)絡(luò)隱藏單元數(shù)設(shè)置為115，F(xiàn)NN 設(shè)置為2 層結(jié)構(gòu)。

4.2 對(duì)比方法

本文將VNFPre 的性能與如下方法進(jìn)行對(duì)比。

1) VNFPre-input。VNFPre-input 方法與本文提出的VNFPre 方法結(jié)構(gòu)相同，但輸入VNFPre-input 的數(shù)據(jù)流序列僅采用當(dāng)前時(shí)刻之前一段時(shí)間的數(shù)據(jù)流，即[t-l,t]時(shí)段的數(shù)據(jù)流作為流量預(yù)測(cè)模型的輸入。

2) CNN-LSTM[5]。CNN-LSTM 是同時(shí)使用時(shí)空特征進(jìn)行VNF 需求預(yù)測(cè)的最新方法。該解決方法每次只輸入一個(gè)節(jié)點(diǎn)和其周邊信息（為網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)構(gòu)建圖），通過CNN 層提取特征，經(jīng)過全連接層變成向量，結(jié)合其他因素，然后輸入LSTM網(wǎng)絡(luò)中，并對(duì)輸入數(shù)據(jù)進(jìn)行時(shí)空特征提取以支持序列預(yù)測(cè)。

3) LSTM[7]。LSTM 方法使用LSTM 模型來解決VNF 資源容量需求預(yù)測(cè)問題。具體來說，LSTM模型基于數(shù)據(jù)流負(fù)載來估計(jì)VNF 的需求，以實(shí)現(xiàn)NFV 資源的動(dòng)態(tài)管理。但是，使用輸入數(shù)據(jù)流作為估算VNF 需求的唯一因素并不總是可靠的，這可能是因?yàn)镹FV 環(huán)境中的其他因素（例如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)）正在影響VNF 資源需求，所以應(yīng)該進(jìn)行更深入的分析以實(shí)現(xiàn)更好的預(yù)測(cè)效果。

4.3 實(shí)驗(yàn)結(jié)果

1) 評(píng)價(jià)指標(biāo)[24]

均方根誤差為

其中，m表示取樣數(shù)量，yi表示真實(shí)值，表示預(yù)測(cè)值。RMSE 反映模型預(yù)測(cè)值與真實(shí)值之間的誤差程度，取值范圍為[0,∞)。RMSE 的值越小，預(yù)測(cè)值越接近真實(shí)值，誤差越小。

準(zhǔn)確度R2為

R2反映模型預(yù)測(cè)的準(zhǔn)確程度，取值范圍為(0,1]。如果R2→ 0，說明該模型僅在盲猜預(yù)測(cè)結(jié)果；如果R2=1，說明該模型預(yù)測(cè)值和真實(shí)值一致。該指標(biāo)的值越接近1 則模型預(yù)測(cè)效果越好。

2) 性能分析

本節(jié)分析了幾種方法的可用性，從預(yù)測(cè)精度、預(yù)測(cè)誤差和數(shù)據(jù)流預(yù)測(cè)結(jié)果的轉(zhuǎn)換能力這3 個(gè)方面對(duì)所提方法與對(duì)比方法進(jìn)行分析和比較。

首先，本文以模型評(píng)價(jià)指標(biāo)為依據(jù)，對(duì)3.1 節(jié)輸入數(shù)據(jù)流的權(quán)重值a1和a2的選擇進(jìn)行了實(shí)驗(yàn)分析。本文提出的數(shù)據(jù)流預(yù)測(cè)方法為實(shí)時(shí)預(yù)測(cè)，因此[t-l,t]時(shí)段的數(shù)據(jù)流序列應(yīng)起到主要作用。進(jìn)而，a1的取值范圍應(yīng)該為[0.5,1]。為節(jié)省訓(xùn)練時(shí)間，本文分別對(duì)a1的取值進(jìn)行大步長和小步長結(jié)合的方式進(jìn)行選擇。如圖6 和圖7 所示，在a1較大步長取值時(shí)，VNFPre 的預(yù)測(cè)準(zhǔn)確度和均方根誤差在a1=0.9時(shí)達(dá)到最優(yōu)。接著在0.9 附近進(jìn)行小步長測(cè)試，最終確定當(dāng)a1=0.92、a2=0.08時(shí)，VNFPre的預(yù)測(cè)精度達(dá)到最優(yōu)。

圖6 不同取值步長下1a 對(duì)預(yù)測(cè)精度的影響

圖7 不同取值步長下1a 對(duì)預(yù)測(cè)誤差的影響

在輸入數(shù)據(jù)流序列的權(quán)值選定且數(shù)據(jù)集中節(jié)點(diǎn)數(shù)據(jù)流最大負(fù)載為6 Gbit/s 的情況下，本文將VNFPre對(duì)數(shù)據(jù)流及VNF 實(shí)例數(shù)量的預(yù)測(cè)結(jié)果和VNFPre-input、CNN-LSTM 和LSTM 模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，并從預(yù)測(cè)精度、預(yù)測(cè)誤差和數(shù)據(jù)流預(yù)測(cè)結(jié)果的轉(zhuǎn)換能力這3 個(gè)角度分析了VNFPre 模型性能。

各個(gè)方法預(yù)測(cè)準(zhǔn)確度和誤差如表1 所示。其中，VNFPre 方法的預(yù)測(cè)準(zhǔn)確度比LSTM 方法提升了18.04%，比VNFPre-input 方法和CNN-LSTM 方法分別提升了8.41%和6.54%。該結(jié)果證明了本文所提VNFPre 方法在VNF資源容量需求預(yù)測(cè)問題上的有效性。

表1 各方法預(yù)測(cè)準(zhǔn)確度和誤差值

本文提出的VNFPre 方法和對(duì)比方法的模型預(yù)測(cè)誤差對(duì)比如圖8 所示。由于VNFPre 方法的輸入和主體結(jié)構(gòu)能夠更加合理地預(yù)測(cè)數(shù)據(jù)流的變化情況，因而其預(yù)測(cè)誤差比VNFPre-input、CNN-LSTM和LSTM 方法分別低了3.54%、3.30%和9.16%，為下一階段的VNF 部署提供了更準(zhǔn)確的VNF 資源容量需求視圖。

圖8 模型預(yù)測(cè)誤差對(duì)比

圖9～圖12 為VNFPre 和其他方法對(duì)數(shù)據(jù)集中2005 年1 月16 日24 小時(shí)的數(shù)據(jù)流預(yù)測(cè)結(jié)果。從圖9～圖12 中可以看出，與VNFPre -input、CNN-LSTM 和LSTM 這3 種方法相比，VNFPre方法在相同的數(shù)據(jù)流波動(dòng)場(chǎng)景下與真實(shí)數(shù)據(jù)流波動(dòng)趨勢(shì)具有更好的擬合效果，其性能接近于理想狀態(tài)。這是由于VNFPre 中GCN 和加權(quán)數(shù)據(jù)流輸入序列共同作用的結(jié)果。其中，LSTM 方法的擬合效果相對(duì)其他方法較弱，并且在數(shù)據(jù)流波峰和波谷相距較近的位置難以擬合。其主要原因是LSTM 無法根據(jù)節(jié)點(diǎn)間數(shù)據(jù)流之間潛在的相關(guān)性輔助預(yù)判數(shù)據(jù)流可能出現(xiàn)的突然變化。另外3 種同時(shí)考慮了數(shù)據(jù)流時(shí)空相關(guān)性的 VNFPre、VNFPre-input 和CNN-LSTM 方法對(duì)數(shù)據(jù)流波動(dòng)的擬合情況整體好于LSTM 方法。這是因?yàn)榻?jīng)過大量訓(xùn)練后，時(shí)空預(yù)測(cè)方案中的空間特征提取層能夠迅速對(duì)網(wǎng)絡(luò)的拓?fù)潢P(guān)系和數(shù)據(jù)流分布進(jìn)行計(jì)算，從而得到更加準(zhǔn)確的預(yù)測(cè)結(jié)果。其中，CNN-LSTM 方法將非歐幾里得結(jié)構(gòu)的數(shù)據(jù)流數(shù)據(jù)柵格化，變成網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，而實(shí)際網(wǎng)絡(luò)中的數(shù)據(jù)流數(shù)據(jù)不是處在規(guī)則的格子空間上，而是產(chǎn)生了高度不規(guī)則的偏移量。因此這種數(shù)據(jù)處理方式可能導(dǎo)致數(shù)據(jù)的空間稀疏性加劇，進(jìn)而由于CNN 權(quán)重共享的特性導(dǎo)致所有權(quán)重為零的極端情況[25]。所以該模型可能不能準(zhǔn)確地獲取待測(cè)數(shù)據(jù)的空間特征，也就不能產(chǎn)生更準(zhǔn)確的預(yù)測(cè)結(jié)果。

圖9 VNFPre 的數(shù)據(jù)流預(yù)測(cè)結(jié)果

圖10 VNFPre-input 的數(shù)據(jù)流預(yù)測(cè)結(jié)果

圖11 CNN-LSTM 的數(shù)據(jù)流預(yù)測(cè)結(jié)果

圖12 LSTM 的數(shù)據(jù)流預(yù)測(cè)結(jié)果

接下來，本文將數(shù)據(jù)流吞吐量的預(yù)測(cè)結(jié)果映射為節(jié)點(diǎn)上未來VNF 實(shí)例數(shù)量的變化情況。如圖13～圖16 所示，在24 小時(shí)的VNF 實(shí)例數(shù)量預(yù)測(cè)中，VNFPre 方法僅有兩處預(yù)測(cè)結(jié)果與真實(shí)的實(shí)例數(shù)量有所偏差；VNFPre-input 方法有11 處偏差，且在序列起始和結(jié)尾處偏差較大；CNN-LSTM 方法有12 處偏差；LSTM 方法有16 處偏差。從圖13～圖16 可以看出，本文所提的VNFPre 方法在VNF 實(shí)例數(shù)量預(yù)測(cè)上具有明顯優(yōu)勢(shì)，并且VNFPre-input 方法在VNF 實(shí)例數(shù)量預(yù)測(cè)上與CNN-LSTM 和LSTM 方法相比也具有一定的優(yōu)勢(shì)。這是因?yàn)楸疚奶岢龅倪@2 種方法更好地結(jié)合了數(shù)據(jù)流波動(dòng)趨勢(shì)與VNF 實(shí)例數(shù)量變化趨勢(shì)之間的映射關(guān)系，更加高效地實(shí)現(xiàn)了數(shù)據(jù)流預(yù)測(cè)與VNF 資源容量需求預(yù)測(cè)的轉(zhuǎn)化。

圖13 VNFPre 預(yù)測(cè)的VNF 實(shí)例數(shù)量

圖14 VNFPre-input 預(yù)測(cè)的VNF 實(shí)例數(shù)量

圖15 CNN-LSTM 預(yù)測(cè)的VNF 實(shí)例數(shù)量

圖16 LSTM 預(yù)測(cè)的VNF 實(shí)例數(shù)量

5 結(jié)束語

多模態(tài)網(wǎng)絡(luò)借助人工智能技術(shù)的蓬勃發(fā)展，為切片上的虛擬節(jié)點(diǎn)賦予計(jì)算、存儲(chǔ)和傳輸能力，已經(jīng)能夠在自主感知數(shù)據(jù)吞吐和自主預(yù)測(cè)節(jié)點(diǎn)VNF的資源需求預(yù)測(cè)的基礎(chǔ)上，通過業(yè)務(wù)需求數(shù)據(jù)的自適應(yīng)流動(dòng)，實(shí)現(xiàn)網(wǎng)絡(luò)資源利用和用戶體驗(yàn)的雙重提升。然而，當(dāng)前主流的機(jī)器學(xué)習(xí)解決方案存在模型參數(shù)與場(chǎng)景綁定、時(shí)間序列的空間特征提取不充分的問題，仍然在使用CNN 提取非歐氏空間中的時(shí)間序列的地理分布特性。基于此，本文借助GCN和GRU 提出了用于多種模態(tài)網(wǎng)絡(luò)場(chǎng)景中VNF 資源容量需求預(yù)測(cè)方法VNFPre。實(shí)驗(yàn)結(jié)果說明，所提方法的預(yù)測(cè)精度比現(xiàn)有性能最優(yōu)的VNF 需求預(yù)測(cè)方法提高了6.54%，對(duì)解決VNF 資源容量需求預(yù)測(cè)問題有一定的實(shí)用價(jià)值。但所提方法采用兩類成熟的神經(jīng)網(wǎng)絡(luò)進(jìn)行組合，模型復(fù)雜度仍有較大的優(yōu)化空間。未來可以考慮借鑒其他領(lǐng)域中進(jìn)行時(shí)間序列預(yù)測(cè)的機(jī)器學(xué)習(xí)模型，將2 個(gè)時(shí)空預(yù)測(cè)層進(jìn)行融合與參數(shù)共享，降低模型復(fù)雜度。